越来越密集的流量在我们当地的环境中成为挑战，促使需要更好的交通监控和管理系统。与车辆粗加分类相比，细粒度的车辆分类似乎是一个具有挑战性的任务。因此，基本上需要探索车辆检测和分类的鲁棒方法，因此需要进行细粒度。现有的车辆制作和模型识别（VMMR）系统已经开发在同步和受控的流量条件上。需要在复杂，城市，异构和非同步交通条件下坚固的VMMR仍然是开放式研究区域。在本文中，使用深度学习解决了车辆检测和细粒度分类。为了进行相关复杂性进行细粒度分类，专门制备具有高内部和低次间变异的本地数据集THS-10。 DataSet由4250辆汽车型号的10辆车型号，即本田市，本田思域，铃木，铃木博拉，铃木文化，铃木Mehran，Suzuki Ravi，Suzuki Swift，Suzuki Wagon R和Toyota Corolla。此数据集可在线获取。已经探索了两种方法，并分析了从深神经网络的微调和特征提取的车辆分类。进行比较研究，并证明了更简单的方法可以在当地环境中产生良好的结果，以应对复杂的问题，如密集的遮挡和车道偏离。因此，减少了计算负荷和时间，例如，微调成立-V3产生的最高精度为97.4％，最低错误分类率为2.08％。微调MobileNet-V2和Reset-18分别产生96.8％和95.7％的精度。从FC6亚历尼特层的提取特征产生93.5％的精度，错误分类率为6.5％。
translated by 谷歌翻译
物体重新识别（REID）是生物识别和监视系统中最重要的问题之一，在过去几十年来通过图像处理和计算机视觉社区进行了广泛的研究。学习强大而判别的特征表示是对象REID的关键挑战。在REID中，基于无人机（UAV）的REID更具挑战性，因为图像的特征是飞行无人机的摄像机参数（例如，视角，海拔等）的连续变化。为了应对这一挑战，已经考虑了多尺度特征表示形式来表征来自不同海拔无人机飞行的图像。在这项工作中，我们提出了一种多任务学习方法，该方法采用新的多尺度体系结构，无卷积，金字塔视觉变压器（PVT），作为基于无人机的对象REID的骨干。通过对类内变化的不确定性建模，我们提出的模型可以使用不确定性感知对象ID和相机ID信息共同优化。实验结果报告了Prai和VRAI，这是两个REID数据集，从空中监视中验证我们提出的方法的有效性
translated by 谷歌翻译
Pansharpening使用高空间分辨率Panchromatic图像的特征增强了高光谱分辨率多光谱图像的空间细节。有许多传统的pansharpening方法，但是产生表现出高光谱和空间保真度的图像仍然是一个空旷的问题。最近，深度学习已被用来产生有希望的Pansharped图像。但是，这些方法中的大多数通过使用相同的网络进行特征提取，对多光谱和全球性图像都采用了类似的处理。在这项工作中，我们提出了一个新型的基于双重注意的两流网络。首先使用两个单独的网络进行两个图像的特征提取，这是一种具有注意机制的编码器，可重新校准提取的功能。接下来是融合的特征，形成喂入图像重建网络的紧凑表示形式以产生pansharped图像。使用标准定量评估指标和视觉检查的PL \'{E} IADES数据集的实验结果表明，就Pansharped图像质量而言，所提出的方法比其他方法更好。
translated by 谷歌翻译
在联合学习（FL）中，一组参与者共享与将更新结合到全局模型中的聚合服务器在本地数据上计算的更新。但是，将准确性与隐私和安全性进行调和是FL的挑战。一方面，诚实参与者发送的良好更新可能会揭示其私人本地信息，而恶意参与者发送的中毒更新可能会损害模型的可用性和/或完整性。另一方面，通过更新失真赔偿准确性增强隐私，而通过更新聚合损坏安全性，因为它不允许服务器过滤掉单个中毒更新。为了解决准确性私人关系冲突，我们提出{\ em碎片的联合学习}（FFL），其中参与者在将其发送到服务器之前，随机交换并混合其更新的片段。为了获得隐私，我们设计了一个轻巧的协议，该协议允许参与者私下交换和混合其更新的加密片段，以便服务器既不能获得单个更新，也不能将其链接到其发起人。为了实现安全性，我们设计了针对FFL量身定制的基于声誉的防御，该防御根据他们交换的片段质量以及他们发送的混合更新来建立对参与者及其混合更新的信任。由于交换的片段的参数可以保持其原始坐标和攻击者可以中和，因此服务器可以从接收到的混合更新中正确重建全局模型而不会准确损失。四个真实数据集的实验表明，FFL可以防止半冬季服务器安装隐私攻击，可以有效地抵抗中毒攻击，并可以保持全局模型的准确性。
translated by 谷歌翻译
联合学习（FL）通过设计为参与同行提供了自主性和隐私，他们合作地建立了机器学习（ML）模型，同时将其私人数据保存在设备中。但是，同样的自主权通过进行不靶向或有针对性的中毒攻击来使恶意同伴毒害该模型的大门打开了大门。标签弹性（LF）攻击是一种有针对性的中毒攻击，攻击者通过将一些示例的标签从一个类（即源类）转换为另一个类别（即目标类别）来毒害他们的训练数据。不幸的是，这种攻击易于执行，难以检测，并且对全球模型的性能产生负面影响。现有针对LF的防御措施受到对同龄人数据分布和/或使用高维模型的表现不佳的假设的限制。在本文中，我们深入研究了LF攻击行为，并发现攻击者和诚实的同伴在源类示例上的矛盾目标反映在与输出层中源和目标类的相对应的参数梯度中梯度良好的攻击检测特征。因此，我们提出了一种新颖的防御，首先将这些梯度从同龄人的本地更新中动态提取，然后将提取的梯度簇，分析产生的簇，并在模型聚合之前过滤潜在的不良更新。对三个数据集的广泛经验分析显示，无论数据分布或模型维度如何，建议的防御力对LF攻击的有效性。此外，拟议的防御能力通过提供较低的测试错误，更高的总体准确性，更高的源类准确性，较低的攻击成功率和较高的源类准确性稳定性来优于几个最先进的防御能力。
translated by 谷歌翻译
联合学习（FL）使从分发在一组参与工人之间的本地数据中学习全球机器学习模型。这使得i）由于从丰富的联合培训数据中学习而培训更准确的模型，ii）通过不与他人共享工人的本地私人数据来改善隐私。但是，FL的分布性质使其容易受到针对性的中毒攻击的影响，这些攻击会对学习模型的完整性产生负面影响，而不幸的是，很难检测到。现有针对这些攻击的防御措施受到工人数据分布的假设的限制，可能会在主要任务上降低全球模型性能和/或不适合高维模型。在本文中，我们分析了针对FL的靶向攻击，并发现与攻击相关的深度学习模型的最后一层神经元与无关神经元的行为不同，这使得最后一层梯度有价值特征用于攻击检测。因此，我们将\ textit {fl-defender}作为对抗fl目标攻击的方法。它包括i）通过计算工人的最后一层梯度的工人角度相似性来工程更强的判别特征，ii）使用PCA压缩所得的相似性向量，以减少冗余信息，iiii）重新加权工人的''根据它们与压缩相似性向量的质心的偏差。对具有不同DL模型大小和数据分布的三个数据集进行的实验显示了我们方法在防御标签和后门攻击方面的有效性。与几个最先进的防御能力相比，FL Defender取得了最低的攻击成功率，维持全局模型在主要任务上的性能，并导致服务器上的最小计算开销。
translated by 谷歌翻译
犯罪率与人口的增加率成比例地增加。最突出的方法是引入基于闭路电视（CCTV）相机的监视以解决问题。视频监控摄像机增加了一个新的维度来检测犯罪。目前正在进行自动安全摄像机监控的几项研究工作，基本目标是从视频饲料发现暴力活动。从技术方面来看，这是一个具有挑战性的问题，因为分析了一组帧，即时间维度的视频，以检测暴力可能需要仔细的机器学习模型训练，以减少错误的结果。本研究通过整合最先进的深度学习方法来重点介绍该问题，以确保用于检测暴力活动的自主监测的强大管道，例如，踢，冲压和拍打。最初，我们设计了这种特定兴趣的数据集，其中包含600个视频（每个动作200个）。稍后，我们已经利用现有的预先训练的模型架构来提取特征，后来使用深度学习网络进行分类。此外，我们在不同预先训练的架构上分类了我们的模型'准确性，以及像VGG16，Inceptionv3，Reset50，七峰和MobileNet V2的不同预先训练的架构中的混淆矩阵，其中VGG16和MobileNet V2更好。
translated by 谷歌翻译
我们介绍了Encoder-Forecaster卷积的长短短期记忆（LSTM）深度学习模型，为微软天气的运营降水Newcasting产品提供动力。该模型作为输入一系列天气雷达马赛克，并确定在最多6小时内的铅倍时确定未来雷达反射率。通过沿着特征维度堆叠大型输入接收领域，并通过从基于物理的高分辨率快速刷新（HRRR）模型的预测，通过预测来调节模型的预测，我们能够在多个度量标准上以20-25％的光流和HRRR基线优于光流量和HRRR基线平均在所有交货时间上。
translated by 谷歌翻译
通过无线网络互联设备数量和数据通信数量的显着增加引起了各种威胁，风险和安全问题。物联网（IoT）应用程序几乎部署在日常生活中的几乎所有领域，包括敏感环境。边缘计算范例通过在数据源附近移动计算处理来补充了IOT应用程序。在各种安全模型中，基于机器学习（ML）的入侵检测是最可想到的防御机制，用于打击已启用边缘的物联网中的异常行为。 ML算法用于将网络流量分类为正常和恶意攻击。入侵检测是网络安全领域的具有挑战性问题之一。研究界提出了许多入侵检测系统。然而，选择合适的算法涉及在启用边缘的物联网网络中提供安全性的挑战存在。在本文中，已经执行了传统机器学习分类算法的比较分析，以在Puparm工具上使用Jupyter对NSL-KDD数据集上的网络流量进行分类。可以观察到，多层感知（MLP）在输入和输出之间具有依赖性，并且更多地依赖于用于入侵检测的网络配置。因此，MLP可以更适合于基于边缘的物联网网络，其具有更好的培训时间为1.2秒，测试精度为79％。
translated by 谷歌翻译